基于字典学习与低秩表示的多聚焦图像融合
计算机视觉与模式识别
2018-12-19 v2
摘要
在表示学习中，低秩表示（LRR）是许多领域尤其是图像处理和模式识别中的研究热点之一。尽管 LRR 能够捕捉全局结构，但由于缺乏字典学习，其局部结构保持能力有限。本文提出一种基于字典学习与 LRR 的新型多聚焦图像融合方法，以在全局与局部结构上均获得更好性能。首先，采用滑动窗口技术将源图像划分为若干块；随后依据方向梯度直方图（HOG）特征对图像块进行分类，并利用 K-奇异值分解（K-SVD）算法学习每一类的子字典。其次，将这些子字典组合构建全局字典，并在 LRR 中使用该全局字典求得每个图像块的 LRR 系数向量。最后，对每个系数向量采用 l_1 范数与取大融合策略，由融合后的 LRR 系数与全局字典重建融合图像。实验结果表明，与若干经典方法及新型方法相比，所提方法在定性与定量评价中均取得最先进的性能。我们的融合方法代码见 https://github.com/hli1221/imagefusion_dllrr
引用
@article{arxiv.1804.08355,
title = {Multi-focus Image Fusion using dictionary learning and Low-Rank Representation},
author = {Hui Li and Xiao-Jun Wu},
journal= {arXiv preprint arXiv:1804.08355},
year = {2018}
}
备注
12 pages, 5 figures, 2 tables. The 9th International Conference on Image and Graphics (ICIG 2017, Oral)